AI Agent / 系统课时

管理多轮执行状态

管理多轮执行状态

本篇解决 Agent 在多次模型调用和工具执行之间丢失上下文的问题,通过设计执行状态结构,让 Runtime 能够保存当前任务进度、历史消息和中间结果,保证复杂任务可以连续运行。

学习目标

  • 理解 Agent 多轮执行状态包含的核心信息。
  • 掌握状态保存、读取和更新的基本流程。
  • 能够设计支持长任务运行的 Runtime 状态模型。

多轮状态包含什么

单次模型调用只关注当前输入,但 Agent 任务通常需要经历规划、调用工具、分析结果和继续决策多个阶段。因此 Runtime 需要维护一个状态对象,记录任务在执行过程中的变化。

常见状态包括会话消息、当前步骤、工具结果、任务标识和执行状态。

Agent 多轮执行状态流转示意图

设计状态模型

状态模型需要区分长期信息和当前执行信息。长期记忆用于跨任务复用,当前状态只服务于一次任务运行。

一个简化状态结构如下:

python
from dataclasses import dataclass, field

@dataclass
class AgentState:
    task_id: str
    step: int = 0
    messages: list = field(default_factory=list)
    status: str = "running"


state = AgentState(task_id="<ID>")
state.messages.append({"role": "user", "content": "hello"})
print(state.status)

预期输出

text
running

其中 <ID> 代表实际运行中的任务标识,生产环境会由系统生成。

状态更新流程

每轮执行通常遵循固定顺序:读取当前状态、生成下一步 Action、执行动作、保存结果、进入下一轮。

python
def update_state(state, result):
    state.messages.append(result)
    state.step += 1
    return state

result = {"role": "tool", "content": "success"}
print(update_state(state, result).step)

预期输出

text
1

状态更新需要保证原子性,避免工具执行成功但状态保存失败导致任务恢复错误。

状态持久化与恢复

短任务可以将状态保存在内存中,长任务则需要持久化到数据库或缓存系统。持久化时需要保存足够的信息,使 Runtime 能从中断位置继续执行。

实际设计中通常会记录版本号、更新时间和执行节点信息,方便迁移和排障。

常见状态管理问题

状态设计过大会导致上下文膨胀,影响模型调用成本;状态设计过小则无法恢复执行。合理做法是保存任务必要信息,对历史消息进行裁剪或摘要。

本课总结

  • 多轮 Agent 执行依赖稳定状态模型保存上下文和进度。
  • 状态更新需要与 Action 执行保持一致,避免产生错误恢复点。
  • 长任务场景需要结合持久化机制提高可靠性。

下一课预告

下一课将介绍 Agent Runtime 中任务循环的实现方式,学习如何组织观察、决策和执行的完整闭环。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

管理多轮执行状态

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通